文章分享 | 生成式 AI 时代 STEM 教育评估格局的转变

时间: 2026-10-21 发布者: stem 文章来源: 科学教育研究中心 审核人: 浏览次数: 10

导读

当ChatGPT们能轻松写出结构完整的实验报告、代码作业和论述题答案，STEM教育中核心的一环——评价，正面临前所未有的挑战。学生提交的作业，还能证明他真正理解了吗？

2026年，Milo D. Koretsky等学者在《International Journal of STEM Education》发表文章，以“评价三角”为框架，从生态系统视角系统梳理了生成式AI对STEM教育评价的冲击与重构。文章提出三个关键主题：AI已深度“纠缠”于评价系统、AI正被用于分析与反馈、AI生成的教学材料亟需效度验证。这对一线教师、课程设计者和教育管理者都具有重要参考价值。

研究背景

在STEM教育中，有一个长期存在的现实：评价驱动学习。学生怎么学、学什么，很大程度上取决于怎么考。

但生成式AI正在动摇这一基础。文章开篇举了一个真实案例：2026年春季，布朗大学一位教授发现，一次带回家完成的中期考试，77名学生平均分高达96%，许多答案的推理方式与ChatGPT高度相似。当他改用在考场内完成的期末考试后，18名学生退课，平均分跌至50%以下，19人不及格。

这个案例说明：传统评价方式在AI面前，正在失去区分“学生自己会”和“AI会”的能力。

更值得警惕的是，这不仅是“作弊”问题。文章主张，应把它看作效度问题——即评价是否还能提供关于学生学习的可信证据。如果AI完成了大部分关键智力工作，那么提交的作业就无法支撑“学生已掌握目标能力”的推断。

研究设计

理论框架

文章的核心分析框架是NRC（2001）提出的评价三角，包含三个相互关联的元素：

认知（Cognition）：我们希望学生知道什么、能做什么，即学习目标；

观察（Observation）：通过什么任务收集学习证据，即评价任务设计；

解释（Interpretation）：如何从证据中推断学生的学习状态，即评分与推断。

有效的评价必须让这三者对齐：学习目标清晰定义，任务能引出目标学习的证据，评分方法能支持合理解释。生成式AI同时冲击了这三个顶点，以及它们之间的连接。

在此之上，文章采用生态系统视角（Bronfenbrenner, 1979; Cheville, 2019）进行综合分析。该视角将人类发展视为嵌套情境中交互作用的产物，从课堂、校外活动等直接情境，到更广泛的制度、文化和社会环境。文章认为，评价三角的三个元素本身不可分割，而生成式AI正在从根本上改变K-12和大学中完成工作的方式，因此理解AI时代的评价必须考虑这些更广泛的文化实践变迁。

研究问题与假设

核心问题：

生成式AI如何重塑STEM教育中的评价方法、实践与政策？

四个探索性假设：

①GenAI如何影响评价三角中的认知（我们评价什么）？

②ererGenAI如何影响观察（我们如何收集学习证据）？

③GenAI如何影响解释（我们如何从证据中推断学习）？

④这三个元素之间的连接在AI时代如何重新对齐？

研究假设

①生成式AI对评价的冲击应被框定为效度问题，而非单纯的作弊问题；

②AI对不同评价形式的冲击不均衡，论文、带回家考试和编程任务尤为脆弱；

③评价重心需要从"最终产品"转向"过程证据"；

④AI在评价分析中最合适的角色是"人在回路中"，而非完全替代人类判断；

⑤AI生成的教学材料在用于评价前，必须经过保真度评估

研究方法

文章采用范围综述方法，具体步骤如下：

（1）数据库选择

检索覆盖三个主流数据库：Scopus、Web of Science、ERIC。

（2）检索策略

使用AI相关术语与评价相关术语的组合进行检索：

AI术语："artificial intelligence" OR "generative artificial intelligence" OR "generative AI" OR "GenAI" OR "large language model"

评价术语："assessment design" OR "assessment redesign" OR "assessment practice" OR "assessment validity" OR "assessment integrity" OR "educational assessment" OR "exam" OR "assignment" OR "grading"

（3）分析方法

对检索到的文献进行分析，揭示生成式AI如何影响评价三角的三个元素——认知、观察和解释。分析从生态系统视角出发，整体综合相关研究发现，而非局限于单一研究或单一评价工具。

（4）综合归纳

将研究发现归纳为三个新兴主题：

①AI与评价系统的"纠缠"：效度、重新设计、可接受使用政策；

②AI用于分析评价证据并提供反馈；

③AI生成评价材料的保真度评估。

研究发现

1. AI已深度“纠缠”进评价系统，效度危机倒逼评价重新设计。

AI对不同评价形式的冲击并不均衡，国际调查显示论文、带回家考试和计算机编程受威胁最大，传统无监督写作任务尤其脆弱，因为聊天机器人可以生成连贯答案却几乎无法证明学生自己的思考。文章强调关键不是“用不用AI”，而是具体AI使用方式如何与评价工具互动，是增强了还是削弱了目标认知的证据。既然AI能生成“最终产品”，评价就必须转向过程证据，文章提出带注释的草稿、课堂检查点、决策反思记录等策略，并倡导真实性评价和口试复兴。同时，什么算“可接受的AI使用”往往取决于任务、学科、学习目标和课程规范，机构政策发展迅速且不均衡，AI检测工具不可靠还可能对某些群体产生不成比例的影响，因此文章主张政策应与积极课堂文化结合，让学生理解学习的价值，知道AI何时支持学习、何时不应使用，并把教师视为合作伙伴。

2. AI正被用于分析评价证据并提供反馈，但最强角色是“人在回路中”。

AI在STEM教育中已被用于自动评分、自适应测试、结构化反馈等，生成式AI进一步扩展了这些能力，包括分类开放题回答、评分论文和建构性回答、生成反馈，甚至支持新测量工具的开发。研究显示，AI可以分析学生用自己的语言表达的学科理解，其价值在于围绕学科思想和推理模式设计自动化分析，而非表面文本相似度，这使大规模建构性回答评价成为可能。但文章强调，AI支持的评价本质上是设计与治理问题，不是简单用技术替代人工评分。最强角色是“人在回路中”：AI快速识别模式、提供临时反馈或标记异常，教师保留构念定义、高利害决策和异常案例的最终判断权。

3. AI生成评价材料的保真度亟需评估，真实性与保真度是两个不同概念。

生成式AI越来越多地用于生成评价任务和教学材料，如课堂对话、教学案例、实验场景、模拟学生作业等，这带来一个新问题：这些AI生成的材料是否有足够保真度来激发目标认知？文章区分了两个概念：真实性指评价任务是否反映有意义的专业实践，保真度指AI生成材料是否准确、可信地模拟了它要代表的教育情境。现有研究揭示，AI生成的教育对话和模拟学生回应存在明显局限，包括互动结构简化、行为模式重复、学生错误不真实、对个体学习者回应不足。因此，AI生成评价任务必须经过人在回路中的评估和迭代优化，才能用于学习和评价。